論文の概要: VisualPatchWorld: Code World Models as Latent Structured Representations for Planning
- arxiv url: http://arxiv.org/abs/2607.25236v1
- Date: Tue, 28 Jul 2026 03:23:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.693092
- Title: VisualPatchWorld: Code World Models as Latent Structured Representations for Planning
- Title（参考訳）: VisualPatchWorld: 計画のための潜在構造表現としてのコードワールドモデル
- Abstract要約: 我々は,世界ダイナミクスをコードとして表現したVisualPatchWorld (VPW)を紹介した。
VPWはまず、短いアクティブプローブを持つ定性的な動的形式を選択し、その後、記録された状態-作用トレースからその形式の自由パラメータに適合する。
VPWは69.0%の平均的な計画成功率に達し、最強のコードベースラインを23.5ポイント越えている。
- 参考スコア（独自算出の注目度）: 8.39933163242427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Different research lines use the term world model in different ways, yet they share a common aim: to capture how the world evolves under action in a form that supports perception, simulation, and planning. Two prominent realizations are neural predictors that learn dynamics in continuous vector spaces, and hand-built physics engines that expose explicit state and physical laws. Neural predictors scale from data but leave the form of the dynamics implicit; physics engines are inspectable and editable but difficult to construct at scale. We introduce VisualPatchWorld (VPW), which represents world dynamics as code. VPW first selects a qualitative dynamical form with short active probes, then fits that form's free parameters from recorded state-action traces by minimizing multi-step prediction error. The resulting programs can be rolled forward like a simulator, inspected in source form, and used inside model-predictive control; image-derived scene graphs can supply the live state at replan time. Across comparisons with prior code-based world models, VPW attains 69.0% mean planning success and exceeds the strongest code baseline by 23.5 points. The largest gains arise when choosing the correct qualitative dynamics is essential. Under the same planner, the induced models approach ground-truth engine success on navigation and grasp-rich control; a residual gap remains for contact-rich pushing, and checking a shortlist of promising plans in the engine closes most of that gap. These results establish a practical route toward automatically constructed code world models that are useful for planning. Code is available at https://github.com/HKBU-KnowComp/VisualPatchWorld/.
- Abstract（参考訳）: 異なる研究ラインは、異なる方法で世界モデルという用語を使用するが、それらは共通の目的を共有している。
2つの顕著な実現法は、連続ベクトル空間の力学を学習する神経予測器と、明示的な状態と物理法則を明らかにする手作りの物理エンジンである。
ニューラルネットワークはデータからスケールするが、ダイナミクスの形式は暗黙的に残す。物理エンジンは検査可能で編集可能であるが、大規模に構築することは困難である。
我々は,世界ダイナミクスをコードとして表現したVisualPatchWorld (VPW)を紹介した。
VPWはまず、短いアクティブプローブを持つ定性的な動的形式を選択し、その後、マルチステップ予測誤差を最小化して記録された状態-動作トレースからその形式の自由パラメータに適合する。
得られたプログラムはシミュレータのように前進し、ソース形式で検査し、モデル予測制御の内部で使用することができる。
従来のコードベースの世界モデルと比較すると、VPWは69.0%の平均的な計画成功に達し、最強のコードベースラインを23.5ポイント越えている。
正しい定性的力学を選択するとき、最大の利得は必須である。
同じプランナーの下では、誘導されたモデルは、航法とグリップリッチな制御において接地型エンジンの成功に近づき、残留ギャップは、接触リッチなプッシュのために残り、エンジン内の有望な計画のショートリストをチェックすることは、そのギャップの大部分を閉じる。
これらの結果は、計画に有用な自動構築コードワールドモデルへの実践的なルートを確立する。
コードはhttps://github.com/HKBU-KnowComp/VisualPatchWorld/.comで入手できる。
関連論文リスト
- Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。
我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。
Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
論文 参考訳（メタデータ） (2026-08-29T01:58:19Z) - Sensorimotor World Models: Perception for Action via Inverse Dynamics [59.121736411156384]
Inverse dynamics regularization で訓練されたエンド・ツー・エンドのセンサモレータ・ワールドモデルを導入する。
表現の崩壊を防ぎ、アクション整列表現を誘導する。
コンパクトで解釈可能な潜在空間を学習し、単純な2Dおよび3D制御タスク間の競合計画性能を実現する。
論文 参考訳（メタデータ） (2026-06-18T11:25:16Z) - PatchWorld: Gradient-Free Optimization of Executable World Models [69.05094454437402]
我々は、オフラインのトラジェクトリを実行可能なPythonの世界モデルに変換する、勾配のないフレームワークであるPatchWorldを紹介します。
7つのAgentGym環境の中で、PatchWorld-Simpleはコードベースの計画スコアが最も高い。
人間の特定残差バイアスは, 表面観察精度を向上するが, 判定性は低下する。
論文 参考訳（メタデータ） (2026-05-29T06:11:14Z) - Nano World Models: A Minimalist Implementation of Future Video Prediction [52.36220976002044]
Nano World Modelsは、拡散強制を中心とした将来のビデオ予測のためのミニマリストである。
コード、構成、評価スクリプト、事前訓練されたチェックポイントをリリースすることにより、Nano World Modelsは、オープンで再現性があり科学的な世界モデル研究のためのコンパクトで実験的な基盤を提供することを目指している。
論文 参考訳（メタデータ） (2026-05-17T22:46:44Z) - Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
2つの軸に沿って組織された「レベルx法」の分類を導入します。
第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。
我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
論文 参考訳（メタデータ） (2026-04-24T17:48:47Z) - WorldMAP: Bootstrapping Vision-Language Navigation Trajectory Prediction with Generative World Models [32.71152441572375]
視覚言語モデル(VLM)とジェネレーティブワールドモデル(ジェネレーティブワールドモデル)は、ナビゲーションを具現化する新たな機会を開きつつある。
本稿では,世界モデルが生み出す未来を永続的な意味空間構造に変換するフレームワークWorldMAPについて述べる。
論文 参考訳（メタデータ） (2026-04-09T08:21:58Z) - DriveDreamer-Policy: A Geometry-Grounded World-Action Model for Unified Generation and Planning [44.543763428623976]
DriveDreamer-Policyは、深度生成、将来のビデオ生成、モーションプランニングを統合した統合運転ワールドアクションモデルである。
提案したモデルは、モジュラリティと遅延制御性を維持しながら、より一貫性のある未来とより情報のある駆動動作を生成する。
論文 参考訳（メタデータ） (2026-04-02T08:33:18Z) - Parallel Stochastic Gradient-Based Planning for World Models [39.699893143984916]
本稿では,学習した世界モデルの識別性を有効に活用する,堅牢で並列性の高いプランナを提案する。
本手法は,ソフトダイナミックス制約による最適化変数(仮想状態)として状態を扱い,並列かつ容易な最適化を実現する。
我々のプランナーはGRASP(GradAxed Planner)と呼ばれ、非凝縮またはコロケーションベースの最適コントローラの有効なバージョンと見なすことができる。
論文 参考訳（メタデータ） (2026-01-31T02:57:47Z) - From Forecasting to Planning: Policy World Model for Collaborative State-Action Prediction [57.56072009935036]
政策世界モデル(PWM)と呼ばれる新しい運転パラダイムを導入する。
PWMは、統一アーキテクチャ内での世界モデリングと軌道計画を統合する。
提案手法は,マルチビューおよびマルチモーダル入力に依存する最先端の手法に適合するか,あるいは超越する。
論文 参考訳（メタデータ） (2025-10-22T14:57:51Z) - WorldPrediction: A Benchmark for High-level World Modeling and Long-horizon Procedural Planning [52.36434784963598]
我々は、異なるAIモデルのワールドモデリングと手続き計画能力を評価するためのビデオベースのベンチマークであるWorldPredictionを紹介する。
現在のフロンティアモデルでは,WorldPrediction-WMでは57%,WorldPrediction-PPでは38%の精度しか達成できないが,人間は両タスクを完璧に解くことができる。
論文 参考訳（メタデータ） (2025-06-04T18:22:40Z) - DINO-WM: World Models on Pre-trained Visual Features enable Zero-shot Planning [38.749045283035365]
DINO-WM (DINO-WM) は視覚世界を再構築することなく視覚力学をモデル化する新しい手法である。
我々は,DINO-WMが6つの環境でテスト時にゼロショット動作解を実現することを実証した。
論文 参考訳（メタデータ） (2024-11-07T18:54:37Z) - Driving in the Occupancy World: Vision-Centric 4D Occupancy Forecasting and Planning via World Models for Autonomous Driving [15.100104512786107]
Drive-OccWorldは、自動運転のエンドツーエンド計画にビジョン中心の4D予測ワールドモデルを適用する。
制御可能な生成を可能にするために,速度,操舵角度,軌道,指令などの柔軟な動作条件を世界モデルに注入することを提案する。
本手法は,多目的かつ制御可能な4D占有率を創出し,次世代の運転とエンド・ツー・エンド・プランニングの進歩への道を開く。
論文 参考訳（メタデータ） (2024-08-26T11:53:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。